Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

kfoldPredict

Predecir la respuesta para observaciones no utilizadas para el entrenamiento

Sintaxis

label = kfoldPredict(obj)
[label,score] = kfoldPredict(obj)
[label,score,cost] = kfoldPredict(obj)

Descripción

label = kfoldPredict(obj) Devuelve las etiquetas de clase predichas por una clasificación de validación cruzada.obj Para cada pliegue, predice las etiquetas de clase para las observaciones en pliegue utilizando un modelo entrenado en observaciones desdobladas.kfoldPredict

[label,score] = kfoldPredict(obj) Devuelve las puntuaciones de clasificación previstas para las observaciones en pliegue utilizando un modelo entrenado en observaciones de forma desdoblada.

[label,score,cost] = kfoldPredict(obj) Devuelve los costos de clasificación errónea.

Argumentos de entrada

obj

Objeto de clase o.ClassificationPartitionedModelClassificationPartitionedEnsemble

Argumentos de salida

label

Vector de etiquetas de clase del mismo tipo que los datos de respuesta utilizados en el entrenamiento.obj (The software treats string arrays as cell arrays of character vectors.) Cada entrada de corresponde a una etiqueta de clase pronosticada para la fila correspondiente de.EtiquetaX

score

Matriz numérica de tamaño por-, donde es el número de observaciones (filas) en, y es el número de clases (in). representa la confianza que la fila de es de clase.NKNobj.XKobj.ClassNamesscore(i,j)iobj.Xj Para obtener más información, consulte.Más acerca de

cost

Matriz numérica de costos de clasificación errónea de tamaño por. es el costo medio de clasificación errónea de predecir esa fila de es de clase.NKcost(i,j)iobj.Xj

Ejemplos

expandir todo

Busque las predicciones de validación cruzada de un modelo basadas en los datos de iris de Fisher.

Cargue el conjunto de datos de iris de Fisher.

load fisheriris

Entrena un conjunto de árboles de clasificación usando AdaBoostM2. Especifique los tocones de árbol como los alumnos débiles.

rng(1); % For reproducibility t = templateTree('MaxNumSplits',1); Mdl = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Cross valida el conjunto entrenado usando la validación cruzada de 10 veces.

CVMdl = crossval(Mdl);

Calcule las etiquetas y puntuaciones pronosticadas de validación cruzada.

[elabel,escore] = kfoldPredict(CVMdl);

Mostrar las puntuaciones máximas y mínimas de cada clase.

max(escore)
ans = 1×3

    9.3862    8.9871   10.1866

min(escore)
ans = 1×3

    0.0018    3.8359    0.9573

Más acerca de

expandir todo